IA postadquisición en industria: casos de uso y controles

La inteligencia artificial no crea por sí sola las sinergias de una adquisición industrial. Puede ayudar a predecir fallos, mejorar planificación, detectar defectos o automatizar análisis, pero el valor depende de datos utilizables, procesos compatibles, adopción en planta y un caso económico medido frente a un baseline.

¿Dónde puede aportar valor después de una adquisición?

Caso de uso	Datos necesarios	KPI operativo	Riesgo a controlar
Mantenimiento predictivo	Histórico de averías, sensores, órdenes y condiciones de uso	Paradas, disponibilidad y coste por activo	Datos escasos o equipos no comparables
Calidad y visión artificial	Imágenes etiquetadas, defectos confirmados y condiciones de línea	Defectos, falsos positivos y retrabajo	Cambios de iluminación, producto o cámara
Planificación de demanda	Pedidos, promociones, estacionalidad, capacidad e inventario	Error de previsión, servicio e inventario	Optimizar el forecast sin integrar restricciones reales
Compras y supply chain	Materiales, proveedores, plazos, incidencias y precios	Entrega, coste total y exposición	Recomendar concentración que aumente el riesgo
Back office	Facturas, pedidos, maestros y reglas de aprobación	Tiempo, excepciones y errores	Automatizar un control deficiente

La tabla no promete porcentajes de ahorro. El efecto cambia según planta, madurez digital, calidad del dato y coste de despliegue. Cualquier cifra debe proceder de un piloto reproducible en la empresa adquirida.

Primer paso: separar integración de experimentación

Después del cierre compiten muchas prioridades: continuidad de suministro, reporting, personas, clientes, sistemas y control financiero. Introducir un modelo complejo al mismo tiempo que se cambian ERP, maestros y procesos puede impedir saber qué ha producido cada resultado.

Conviene separar tres capas:

1. Estabilizar: asegurar continuidad, accesos, datos maestros y medición homogénea.
2. Comparar: construir un baseline común entre comprador y adquirida.
3. Experimentar: probar un caso acotado antes de escalarlo a otras líneas o plantas.

El piloto debe resolver una decisión concreta. “Aplicar IA al mantenimiento” es demasiado amplio; “priorizar las inspecciones de una familia de activos para reducir paradas evitables” permite fijar datos, usuario, KPI y límite de actuación.

Cómo construir el caso económico

El business case debe incluir el coste de sensores, integración, limpieza de datos, licencias, infraestructura, validación, formación y mantenimiento del modelo. También debe valorar el coste de falsas alarmas y decisiones erróneas. El ahorro bruto no es el valor de la iniciativa.

Una ficha mínima contiene:

• baseline y periodo de comparación;
• decisión que apoya el modelo y usuario responsable;
• métrica operativa y traducción financiera;
• coste inicial y coste recurrente;
• criterio de éxito, pausa y retirada;
• responsable de operación, datos, tecnología y riesgo.

Cuando los datos históricos proceden de sistemas o criterios diferentes, primero hay que armonizarlos. Un modelo preciso sobre etiquetas incoherentes produce una apariencia de control, no una mejora fiable.

Gobierno, seguridad y regulación

La integración debe inventariar qué sistemas de IA existen en ambas compañías, quién los provee, con qué datos trabajan y qué decisiones afectan. No todos los usos tienen la misma exposición. Un asistente que resume manuales no plantea el mismo riesgo que un sistema que interviene en seguridad, empleo o control de maquinaria.

El Reglamento europeo de Inteligencia Artificial establece obligaciones según la función y clasificación del sistema. Como su aplicación ha sido objeto de modificaciones y calendario transitorio, cada caso debe contrastarse con el texto vigente y con el papel de la empresa como proveedor o responsable del despliegue.

Si se utilizan datos personales, el análisis también debe cubrir finalidad, base jurídica, minimización, acceso, conservación y proveedores. El Dictamen 28/2024 del Comité Europeo de Protección de Datos examina, entre otras cuestiones, anonimización, interés legítimo y modelos desarrollados con datos personales.

Los documentos de planta, contratos, diseños y datos de clientes no deben copiarse en herramientas públicas sin autorización. El comprador debe pactar entornos aprobados, registros de acceso, retención, ubicación, subencargados y uso de la información para entrenamiento.

Plan de implantación postadquisición

Fase 1: inventario y baseline

Mapear sistemas, fuentes, propietarios, calidad, permisos y KPIs. Elegir un problema con volumen suficiente y una decisión repetible. Documentar cómo se resuelve hoy y cuánto cuesta.

Fase 2: piloto controlado

Comparar modelo y proceso actual, conservar supervisión humana y registrar excepciones. Evitar cambiar al mismo tiempo equipo, proceso y criterio de medición.

Fase 3: decisión de escala

Escalar solo si el impacto neto supera el coste y el modelo mantiene rendimiento fuera de la muestra. Preparar monitorización, gestión de cambios y un procedimiento de retirada.

Fase 4: captura de valor

Finanzas debe reconciliar la mejora operativa con resultados reales. Si baja el tiempo de parada pero no aumenta producción ni reduce coste, puede existir un beneficio operativo sin impacto económico inmediato.

Errores frecuentes

• comprar una plataforma antes de definir el problema y el usuario;
• extrapolar un porcentaje publicado por un proveedor a todas las plantas;
• entrenar con datos previos sin comprobar cambios de producto o proceso;
• automatizar decisiones que requieren un responsable técnico;
• ignorar ciberseguridad, propiedad intelectual y dependencia del proveedor;
• atribuir a la IA el resultado de una integración con muchos cambios simultáneos.

La IA debe tratarse como una iniciativa de integración con hipótesis, presupuesto y controles, no como una promesa genérica de eficiencia. Para estructurar el resto del caso de inversión, consulta la guía de sinergias en M&A.

Fuentes y alcance

• Reglamento (UE) 2024/1689 de Inteligencia Artificial.
• EDPB: Dictamen 28/2024 sobre modelos de IA y datos personales.

Los casos de uso son ejemplos de diseño. No implican un ahorro garantizado ni sustituyen la validación técnica, laboral, legal o de seguridad correspondiente.